iOSG |

一見すると、AI X Web3は独立したテクノロジーであり、それぞれが根本的に異なる原則に基づいており、異なる機能に基づいています。しかし、詳細な議論により、これらの2つの技術はお互いのトレードオフのバランスをとる機会があり、それらの独自の利点が互いに補完し、お互いを改善できることが明らかになりました。Balaji Srinivasanは、スーパーアライ会議でこの補完的な能力の概念について詳しく説明し、これらの技術がどのように相互作用するかの詳細な比較を促しました。

トークンは、匿名のサイバーパンクの分散化された努力から生まれたボトムアップアプローチを採用し、世界中の多くの独立したエンティティの共同作業を通じて10年にわたって進化してきました。代わりに、人工知能はトップダウンアプローチを通じて開発され、少数のハイテク大手が支配しています。これらの企業は、業界のペースとダイナミクスを決定し、参入のしきい値は技術的な複雑さよりもリソースの強度によってより決定されます。

これらの2つのテクノロジーには、まったく異なる性質もあります。基本的に、トークンは、ハッシュ関数の予測可能性やゼロ知識証明などの不変の結果を生成する決定論的システムです。これは、確率とは対照的であり、多くの場合、人工知能の予測不可能性があります。

同様に、暗号化技術はです検証の側面優れたパフォーマンス、トランザクションの信頼性とセキュリティを確保し、構築する信頼しないプロセスとシステム、人工知能は焦点を当てています生成する、リッチなデジタルコンテンツを作成します。ただし、コンテンツソースを確保し、個人情報の盗難を防ぐことは、デジタルの豊かさを生み出す上で課題となっています。

幸いなことに、トークンは反対のデジタル豊富な概念を提供します –デジタル不足。コンテンツソースの信頼性を確保し、個人情報の盗難の問題を回避するために、人工知能技術に一般化できる比較的成熟したツールを提供します。

トークンの重要な利点は、特定の目標を提供するために大量のハードウェアと資本を調整ネットワークに引き付ける能力です。この機能は、多くのコンピューティングパワーを消費する人工知能にとって特に有益です。十分に活用されていないリソースを動員して、より安価なコンピューティングパワーを提供すると、人工知能の効率を大幅に改善できます。

これら2つのテクノロジーを比較することにより、それぞれの貢献を評価するだけでなく、テクノロジーと経済の新しいパスを共同で作成する方法も確認できます。各テクノロジーは、別のテクノロジーの欠点を補うことができ、より統合された革新的な未来を作り出すことができます。このブログ投稿では、これらのテクノロジーの交差点でいくつかの新たな垂直に焦点を当てた、新興のAI X Web3業界のマップを調査することを目指しています。

出典：iOSG Ventures

2.1コンピューティングネットワーク

Industry Mapは、最初に、制約されたGPUプロビジョニングの問題を解決し、さまざまな方法でコンピューティングコストを削減しようとするコンピューティングネットワークを導入します。次の項目は注意を払う価値があります：

非統合されたGPUの相互運用性：これは非常に野心的な試みであり、高い技術的リスクと不確実性を備えていますが、成功すれば、スケールとインパクトの結果を作成し、すべてのコンピューティングリソースを交換可能にすることが可能になります。基本的に、アイデアは、ハードウェアリソースを供給側に挿入できるようにコンパイラやその他の前提条件を構築することです。のリソース。このビジョンが成功した場合、AI開発者が完全に支配するCUDAソフトウェアへの現在の依存を減らします。技術的なリスクが高いにもかかわらず、多くの専門家はこのアプローチの実現可能性に非常に懐疑的です。
高性能GPU凝集：世界で最も人気のあるGPUを、非統合GPUリソース間の相互運用性を心配することなく、分散型および不正なネットワークに統合します。
コモディティ消費者グレードGPU集約：パフォーマンスが低いが、供給側で最も活用されていないリソースである消費者デバイスで利用できるGPUを集約することを指します。それは、より安価でより長いトレーニングプロセスのためにパフォーマンスとスピードを犠牲にすることをいとわない人々に対応しています。

2.2トレーニングと推論

計算ネットワークは、主にトレーニングと推論という2つの主要な機能に使用されます。これらのネットワークの需要は、Web 2.0およびWeb 3.0プロジェクトから来ています。Web 3.0の世界では、Bittensorなどのプロジェクトはコンピューティングリソースを使用してモデルを微調整します。推論の観点から、Web 3.0プロジェクトは、プロセスの検証可能性を強調しています。この焦点は、市場の垂直として検証可能な推論を生み出しました。プロジェクトは、分散化の原則を維持しながら、AIの推論をスマートコントラクトに統合する方法を模索しています。

2.3インテリジェントプロキシプラットフォーム

次はですスマートプロキシプラットフォーム、マップは、このカテゴリのスタートアップが解決する必要があるコアの問題の概要を説明しています。

エージェントの相互運用性と発見およびコミュニケーション機能：エージェントは互いに発見してコミュニケーションをとることができます。
エージェントクラスターの構築と管理機能：エージェントはクラスターを形成し、他のエージェントを管理できます。
AIエージェントの所有とマーケティング：AIエージェントに所有権と市場を提供します。

これらの機能は、さまざまなブロックチェーンおよび人工知能アプリケーションにシームレスに統合できる柔軟なモジュラーシステムの重要性を強調しています。AIエージェントは、インターネットとの対話方法に革命をもたらす可能性があり、エージェントがインフラストラクチャを活用して運用をサポートすると考えています。AIエージェントは、以下の側面でインフラストラクチャに依存していることを想定しています。

分散クロールネットワークを使用して、リアルタイムネットワークデータにアクセスします
defiチャンネルを使用して、エージェント間支払いを行います
経済預金を必要とすることは、不正行為が発生した場合に罰を行うだけでなく、エージェントの発見可能性を改善することでもあります（つまり、発見プロセス中に預金を経済的信号として使用する）
使用コンセンサスどのイベントがカットにつながるかを決定します
開ける相互運用性建物をサポートする標準およびプロキシフレームワーク組み合わせ可能な集団
によると不変のデータ履歴過去のパフォーマンスを評価し、リアルタイムで適切なエージェント集団を選択する

出典：iOSG Ventures

2.4データレイヤー

AI X Web3の収束では、データはコアコンポーネントです。データはAI競争における戦略的資産であり、コンピューティングリソースとともに重要なリソースを形成します。ただし、業界の注意のほとんどがコンピューティングレベルに焦点を当てているため、このカテゴリは見落とされがちです。実際、プリミティブはデータ収集のプロセスにおいて多くの興味深い価値の方向を提供します。主に次の2つの高レベルの方向を含みます。

アクセスパブリックインターネットデータ
アクセス保護されたデータ

パブリックインターネットデータへのアクセス：この方向は、数日以内にインターネット全体をクロールする、大規模なデータセットを取得したり、非常に特定のインターネットデータにリアルタイムでアクセスできる分散クローラーネットワークを構築することを目的としています。ただし、インターネット上の多数のデータセットをクロールするには、ネットワークの需要が非常に高く、意味のある作業を開始するには少なくとも数百ノードが必要です。幸いなことに、分散型クローラーノードネットワークであるグラスには、インターネット全体をクロールすることを目的として、ネットワークにインターネット帯域幅を積極的に共有する200万個以上のノードがあります。これは、貴重な資源を引き付ける上での経済的インセンティブの大きな可能性を示しています。

草は公開データの平等な競争の場を提供しますが、潜在的なデータを活用するという問題、つまり独自のデータセットへのアクセスがあります。具体的には、その繊細な性質のためにプライバシー保護された方法で保持される大量のデータがまだあります。多くのスタートアップは、AI開発者が独自のデータセットの基礎となるデータ構造を使用して大規模な言語モデルを構築および微調整できるようにする暗号化ツールを活用しており、機密情報を非公開にしています。

フェデレーションラーニング、差別的なプライバシー、信頼できる実行環境、完全な準同型、マルチパーティコンピューティングなど。テクノロジーは、さまざまなレベルのプライバシー保護とトレードオフを提供します。Bagelの研究記事（https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67）は、これらのテクノロジーの優れた概要をまとめたものです。これらのテクノロジーは、機械学習中のデータプライバシーを保護するだけでなく、コンピューティングレベルで包括的なプライバシー保護AIソリューションを可能にします。

2.5データおよびモデルソース

データおよびモデルソーステクノロジーは、予想されるモデルとデータと対話していることをユーザーに保証できるプロセスを確立するように設計されています。さらに、これらのテクノロジーは、信頼性とソースの保証を提供します。透かしを取り入れると、透かしはモデルソーステクノロジーの1つであり、署名を機械学習アルゴリズムに直接埋め込み、より具体的にモデルの重みに埋め込むため、取得すると、推論が予想されるモデルから来るかどうかを確認できます。

2.6アプリケーション

アプリケーションの観点から、設計の可能性は無限です。上記の業界マップでは、Web 3.0フィールドにAIテクノロジーを適用することで、特にエキサイティングな開発ケースをいくつか挙げています。これらのユースケースのほとんどは自称であるため、これについてはコメントしません。ただし、AIとWeb 3.0の交差点には、これらの新しいプリミティブが開発者に革新的なユースケースを作成し、既存のケースを最適化する自由を提供するため、フィールド内の多くの垂直を再構築する可能性があることは注目に値します。

要約します

AI X Web3の収束は、革新と可能性に満ちた見通しをもたらします。各テクノロジーの独自の利点を活用することにより、さまざまな課題を解決し、新しい技術的なパスを開くことができます。この新興業界を探求する際、AI X Web3の相乗効果は進行を促進し、将来のデジタルエクスペリエンスとWebでの対話方法を再構築することができます。

デジタル希少性とデジタルの豊かさの統合、コンピューティング効率を達成するための活用されていないリソースの動員、およびセキュリティとプライバシー保護のためのデータプラクティスの確立は、次世代のテクノロジーの進化の時代を定義します。

ただし、この業界はまだ初期段階にあり、現在の業界の景観が短期間で時代遅れになる可能性があることを認識しなければなりません。イノベーションの急速なペースは、今日の最先端のソリューションがすぐに新しいブレークスルーに置き換わる可能性があることを意味します。それにもかかわらず、コンピューティングネットワーク、プロキシプラットフォーム、データプロトコルなど、調査された基本的な概念は、人工知能をWeb 3.0に収束させる大きな可能性を強調しています。